2026 年 5 款 LLM 提示词自动优化工具推荐：DSPy、TextGrad、AdalFlow 怎么选？

提示词自动优化工具的共同前提，是你能给出任务样本和评价信号。想构建可组合的 Python AI 程序，可以先看 DSPy；想研究文本反馈如何更新提示或答案，可以比较 TextGrad；已有组件化应用，可以评估 AdalFlow。GEPA 独立库和 PromptWizard 则提供另外两种接入与实验方式。

本文于 2026-10-18 核对官方资料，按适用场景列出五个候选。没有用同一模型与数据集做统一效果或成本排名，也不把论文或官网的分数当成自己的测量结果。

五款工具速查

工具	主要入口	可先验证的任务	维护重点
DSPy	Signature、Module 与 Optimizer	分类、抽取、RAG、多步程序	指标、数据划分、adapter 与优化器版本
TextGrad	Variable、文本损失与反馈更新	提示词、答案或代码的文本反馈实验	反馈质量、更新对象与跨样本泛化
AdalFlow	Component、Parameter 与 Trainer	组件化应用的指令及示例优化	计算图、训练接口与版本兼容
GEPA 独立库	evaluator 与可优化文本参数	已有程序的反思式候选搜索	执行反馈、适配器和评估预算
PromptWizard	任务配置、提示与示例迭代	离散提示优化与研究复现	配置、合成样本来源和依赖维护

这里的 GEPA 是独立库。DSPy 也集成了 dspy.GEPA，两者有算法关联，不能当成两种完全无关的方法；选择时应比较接入层与优化对象。

1. DSPy：把任务定义、模块和优化连在一起

DSPy 适合愿意在代码里描述应用结构的团队。Signature 定义任务接口，模块表达推理或工具流程，再用样本与指标驱动优化。它提供多种优化器，分别处理示例、指令或其他训练目标，而不是只有一条固定优化路线。当前文档

起步建议是只选一个任务：先跑无优化的基线，再增加一种优化器。不要同时换模型、拆分流程和修改判分，否则难以判断变化来自哪里。BootstrapFewShot 可以帮助理解通过评分的轨迹如何变成示例；需要指令搜索时再研究 MIPROv2 或 GEPA。优化器参考

费用与限制：MIT 框架许可免费，学生、教师、反思和判分模型用量另计。工具能优化某个指标，不代表该指标覆盖了业务风险，也不保证迁移到另一模型后继续提升。

2. TextGrad：研究文本反馈如何推动更新

TextGrad 用文本反馈类比梯度，将可更新内容表示成 Variable，并通过损失和优化器更新。官方示例既有答案修正，也有提示词优化；优化一条答案与学习一个可复用于未见输入的提示，是两种不同验收目标。官方仓库